CN111487676A - 应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法 - Google Patents
应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法 Download PDFInfo
- Publication number
- CN111487676A CN111487676A CN202010247048.8A CN202010247048A CN111487676A CN 111487676 A CN111487676 A CN 111487676A CN 202010247048 A CN202010247048 A CN 202010247048A CN 111487676 A CN111487676 A CN 111487676A
- Authority
- CN
- China
- Prior art keywords
- motion
- seismic
- earthquake
- earthquake motion
- applying
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000002245 particle Substances 0.000 title claims abstract description 39
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 28
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 24
- 238000010801 machine learning Methods 0.000 title claims abstract description 20
- 238000005457 optimization Methods 0.000 title claims abstract description 18
- 230000002194 synthesizing effect Effects 0.000 title claims abstract description 18
- 238000001228 spectrum Methods 0.000 claims abstract description 40
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 230000010355 oscillation Effects 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 4
- 230000001133 acceleration Effects 0.000 claims description 42
- 230000004044 response Effects 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 6
- 235000003181 Panax pseudoginseng Nutrition 0.000 claims description 3
- 244000131316 Panax pseudoginseng Species 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000005669 field effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000035939 shock Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 6
- 238000003786 synthesis reaction Methods 0.000 abstract 1
- 238000012502 risk assessment Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法。所述方法包括以下步骤:步骤一、应用主成分分析方法从既有的国内地震动数据中提取地震动的母波;步骤二、应用支持向量机算法建立地震动预测模型,并验证模型的正确性;步骤三、通过合成的地震动的反应谱Sa(T)与通过预测方程得到的反应谱Sa *(T)相匹配,即当S取值最小时,得到的一组系数ki即合成地震动的解。本发明将机器学习的理论引入了合成地震动方法中,能够保留原始的地震动信息,避免了以往应用随机地震动模拟的方法可能会忽略某些重要的地震动信息的问题出现,对实测数据有好的包容性,能够较好的实现地震巨灾情景再现,具有很好的应用前景。
Description
技术领域
本发明涉及应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法,属于地震危险性分析领域。
背景技术
地震危险性分析(PSHA)一直是抗震研究的主题之一,地震危险性分析的第一步是地震灾害的情景再现,然而具有破坏性大地震动记录的匮乏一直制约着地震危险性分析的发展。从学术角度和社会安全角度来看,大地震震源、路径以及场地的不确定性一直是模拟大地震再现的技术关键。随着城市化进程的加速,城市大规模的发展向着地震多发地区延伸以及基础设施的老化正在加剧地震危险性。过去,地震动的峰值加速度(PGA)以及谱加速度(Sa)被用来表征地震动的所有特性,逐渐一些其他的强度参数也被提出(IMs,如PGV,PGD,EPV等)。但是不能指望仅通过几个简单的强度参数(IMs)就能够完全捕捉到具有复杂性过程地震动的特性。在强地面运动中,强度参数(IMs)无法可靠地预测具有复杂过程的地震动破坏潜力。因此,在抗震设计规范中提出需要对结构进行非线性时程分析,但实际地震动记录不能够满足抗震设计的需求。为了解决这个问题,有不少方案被提出来,第一种需要通过对地震记录调幅来获得需要的地震动记录,但越来越多的证据表明通过调幅得到的地震动,但可能会将地震动最不利影响最小化。相对于直接使用基于选择和调幅的地震记录而获得的地震动,第二种随机地震动模拟是一种具有吸引力的替代方法。但是,随机地震动模拟的方法可能会忽略某些重要的地震动信息。随着大陆台站的兴建,截止到2019年,我国的强震数据记录的数目已经超过了一万条。机器学习理论是由概率论、统计学、近似理论以及算法复杂度等组成交叉学科。在当今大数据环境下,机器学习理论主要是研究如何有效利用信息,注重从巨量数据中获取隐藏的、有效的、可理解的知识。因此,这才有了应用机器学习方法合成地震动的可能。
发明内容
本发明的目的是提出应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法,利用国内的已有的地震动数据库,应用机器学习的方法构建地震动场。实现对原有地震动信息更多的保留,且解决随机地震动模拟的方法可能会忽略某些重要的地震动信息的问题。
应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法,其特征在于,所述方法包括以下步骤:
步骤一、应用主成分分析方法从既有的国内地震动数据中提取地震动的母波;
步骤二、应用支持向量机算法建立地震动预测模型,并验证模型的正确性;
步骤三、通过步骤二三得到的地震动预测模型GMMs,将特定场地参数(M,R,Vs30)输入到GMMs,预测特定场地的加速度反应谱;应用PCA方法提取地震动母波,所述地震动母波和地震动具有相同的时间间隔,因此,合成的地震动由提取的地震动母波线性组而成,即通过合成的地震动的反应谱Sa(T)与通过预测方程得到的反应谱Sa *(T)相匹配,即当S取值最小时,得到的一组系数ki即合成地震动的解,为了更快的求解出一组系数ki,建粒子群算法PSO、自变量ki初始值、最大迭代次数、粒子的最大速度、粒子群的规模以及整个搜索空间;合成的地震动即为系数ki为最优解。
进一步的,在步骤一中,具体包括以下步骤:
步骤一一、选取强震数据库,数据库包括地震震源信息、强震台站信息和强震记录;
步骤一二、应用主成分分析PCA从选取的地震动数据库中提取地震动母波,提取的地震动母波用于合成地震动记录。
进一步的,所述地震震源信息包括震级和断层机制,所述强震台站信息包括台站到震源距离和台站所在场点场地参数Vs30,所述强震记录包括加速度时程、由加速度时程计算所得的峰值加速度PGA和加速度反应谱Sa。
进一步的,在步骤二中,具体包括以下步骤:
步骤二一、所述地震动预测模型考虑了震级M和距离衰减项R以及场地效应项Vs30,结合地震学基本原理和强震观测数据集整体所表现出的基本特征选取合理的特征参数;
步骤二二、应用支持向量机SVM回归地震动衰减关系,其中SVM模型中三个重要参数的确定(C,ε和r)依据以下的选择原则: 其中,为峰值加速度;PGA和加速度反应谱Sa的均值,σy为峰值加速度PGA和加速度反应谱Sa的均值标准差,n1是输入变量数,m是输入变量的范围,n是数据的个数;
步骤二三、按照SVM训练地震动预测模型GMMs,对训练得到的GMMs分别进行测试级测试,以及与现有的比较成熟的模型比较,验证模型的准确性。
进一步的,在步骤三中,具体包括以下步骤:
步骤三一、通过步骤二三得到的地震动预测模型GMMs,将特定场地参数(M,R,Vs30)输入到GMMs,预测特定场地的加速度反应谱;
步骤三四、构建粒子群算法PSO、自变量ki初始值、最大迭代次数、粒子的最大速度、粒子群的规模以及整个搜索空间;
步骤三五、个体极值以及全局最优解:个体极值为每个粒子找到的最优解,从最优解中找到一个全局值,叫做本次全局最优解,与历史全局最优比较,进行更新;
步骤三六、更新速度和位置公式:
Vid=ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid)
Xid=Xid+Vid
其中,ω为惯性因子,当取值较大时寻优能力强,C1和C2为加速度常数,Pid为个体极值,Pgd为群体极值,Xid为粒子当前的位置,Vid粒子的速度,Maxgen是迭代的次数;
步骤三七、设置迭代次数:当迭代次数达到设置迭代次数时,即停止计算,反复测试迭代次数,当误差值稳定时,得到的一组系数ki即为最优解;
本发明的主要优点是:本发明将机器学习的理论引入了合成地震动方法中,能够保留原始的地震动信息,避免了以往应用随机地震动模拟的方法可能会忽略某些重要的地震动信息的问题出现。此外,由于机器学习理论是基于大数据提出的方法,随着国内地震动数据量的进一步增大,本发明提出的方法对实测数据有好的包容性。本发明能够较好的实现地震巨灾情景再现,具有很好的应用前景。
附图说明
图1为提取的地震动母波的示意图;
图2为模拟得到的地震动的反应谱与通过预测方程得到的反应谱比较示意图,其中,图2(A)中,M=5.5,R=10km;图2(B)中,M=6.0,R=10km;图2(C)中,M=5.5,R=30km;图2(D)中,M=6.0,R=30km;
图3为通过机器学习方法模拟的地震动时程示意图,其中,图3(A)中,M=5.5,R=10km;图3(B)中,M=6.0,R=10km;图3(C)中,M=5.5,R=30km;图3(D)中,M=6.0,R=30km;
图4为本发明的应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1-图4所示,应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法,所述方法包括以下步骤:
步骤一、应用主成分分析方法从既有的国内地震动数据中提取地震动的母波;
步骤二、应用支持向量机算法建立地震动预测模型,并验证模型的正确性;
步骤三、通过步骤二三得到的地震动预测模型GMMs,将特定场地参数(M,R,Vs30)输入到GMMs,预测特定场地的加速度反应谱;应用PCA方法提取地震动母波,所述地震动母波和地震动具有相同的时间间隔,因此,合成的地震动由提取的地震动母波线性组而成,即通过合成的地震动的反应谱Sa(T)与通过预测方程得到的反应谱Sa *(T)相匹配,即当S取值最小时,得到的一组系数ki即合成地震动的解,为了更快的求解出一组系数ki,建粒子群算法PSO、自变量ki初始值、最大迭代次数、粒子的最大速度、粒子群的规模以及整个搜索空间;合成的地震动即为系数ki为最优解。
在本部分优选实施例中,在步骤一中,具体包括以下步骤:
步骤一一、选取强震数据库,数据库包括地震震源信息、强震台站信息和强震记录;
步骤一二、应用主成分分析PCA从选取的地震动数据库中提取地震动母波,提取的地震动母波用于合成地震动记录。
在本部分优选实施例中,所述地震震源信息包括震级和断层机制,所述强震台站信息包括台站到震源距离和台站所在场点场地参数Vs30,所述强震记录包括加速度时程、由加速度时程计算所得的峰值加速度PGA和加速度反应谱Sa。
在本部分优选实施例中,在步骤二中,具体包括以下步骤:
步骤二一、所述地震动预测模型考虑了震级M和距离衰减项R以及场地效应项Vs30,结合地震学基本原理和强震观测数据集整体所表现出的基本特征选取合理的特征参数;
步骤二二、应用支持向量机SVM回归地震动衰减关系,其中SVM模型中三个重要参数的确定(C,ε和r)依据以下的选择原则: 其中,为峰值加速度;PGA和加速度反应谱Sa的均值,σy为峰值加速度PGA和加速度反应谱Sa的均值标准差,n1是输入变量数,m是输入变量的范围,n是数据的个数;
步骤二三、按照SVM训练地震动预测模型GMMs,对训练得到的GMMs分别进行测试级测试,以及与现有的比较成熟的模型比较,验证模型的准确性。
在本部分优选实施例中,在步骤三中,具体包括以下步骤:
步骤三一、通过步骤二三得到的地震动预测模型GMMs,将特定场地参数(M,R,Vs30)输入到GMMs,预测特定场地的加速度反应谱;
步骤三四、构建粒子群算法PSO、自变量ki初始值、最大迭代次数、粒子的最大速度、粒子群的规模以及整个搜索空间;
步骤三五、个体极值以及全局最优解:个体极值为每个粒子找到的最优解,从最优解中找到一个全局值,叫做本次全局最优解,与历史全局最优比较,进行更新;
步骤三六、更新速度和位置公式:
Vid=ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid)
Xid=Xid+Vid
其中,ω为惯性因子,当取值较大时寻优能力强,C1和C2为加速度常数,Pid为个体极值,Pgd为群体极值,Xid为粒子当前的位置,Vid粒子的速度,Maxgen是迭代的次数;
步骤三七、设置迭代次数:当迭代次数达到设置迭代次数时,即停止计算,反复测试迭代次数,当误差值稳定时,得到的一组系数ki即为最优解;
本发明共收集国内地震动8442条地震动记录。其中地震动记录都集中在中国西南地区。图1、图2、图3是以本发明做的一个震例分析,从图3中可以看出本文基于机器学习方法得到的合成地震动的反应谱能够较好的匹配预测方程反应谱。同时在频谱方面较好的保留了原始地震动特征。
Claims (5)
1.应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法,其特征在于,所述方法包括以下步骤:
步骤一、应用主成分分析方法从既有的国内地震动数据中提取地震动的母波;
步骤二、应用支持向量机算法建立地震动预测模型,并验证模型的正确性;
2.根据权利要求1所述的应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法,其特征在于,在步骤一中,具体包括以下步骤:
步骤一一、选取强震数据库,数据库包括地震震源信息、强震台站信息和强震记录;
步骤一二、应用主成分分析PCA从选取的地震动数据库中提取地震动母波,提取的地震动母波用于合成地震动记录。
3.根据权利要求2所述的应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法,其特征在于,所述地震震源信息包括震级和断层机制,所述强震台站信息包括台站到震源距离和台站所在场点场地参数Vs30,所述强震记录包括加速度时程、由加速度时程计算所得的峰值加速度PGA和加速度反应谱Sa。
4.根据权利要求1所述的应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法,其特征在于,在步骤二中,具体包括以下步骤:
步骤二一、所述地震动预测模型考虑了震级M和距离衰减项R以及场地效应项Vs30,结合地震学基本原理和强震观测数据集整体所表现出的基本特征选取合理的特征参数;
步骤二二、应用支持向量机SVM回归地震动衰减关系,其中SVM模型中三个重要参数的确定(C,ε和r)依据以下的选择原则: 其中,为峰值加速度;PGA和加速度反应谱Sa的均值,σy为峰值加速度PGA和加速度反应谱Sa的均值标准差,n1是输入变量数,m是输入变量的范围,n是数据的个数;
步骤二三、按照SVM训练地震动预测模型GMMs,对训练得到的GMMs分别进行测试级测试,以及与现有的比较成熟的模型比较,验证模型的准确性。
5.根据权利要求4所述的应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法,其特征在于,在步骤三中,具体包括以下步骤:
步骤三一、通过步骤二三得到的地震动预测模型GMMs,将特定场地参数(M,R,Vs30)输入到GMMs,预测特定场地的加速度反应谱;
步骤三四、构建粒子群算法PSO、自变量ki初始值、最大迭代次数、粒子的最大速度、粒子群的规模以及整个搜索空间;
步骤三五、个体极值以及全局最优解:个体极值为每个粒子找到的最优解,从最优解中找到一个全局值,叫做本次全局最优解,与历史全局最优比较,进行更新;
步骤三六、更新速度和位置公式:
Vid=ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid)
Xid=Xid+Vid
其中,ω为惯性因子,当取值较大时寻优能力强,C1和C2为加速度常数,Pid为个体极值,Pgd为群体极值,Xid为粒子当前的位置,Vid粒子的速度,Maxgen是迭代的次数;
步骤三七、设置迭代次数:当迭代次数达到设置迭代次数时,即停止计算,反复测试迭代次数,当误差值稳定时,得到的一组系数ki即为最优解;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010247048.8A CN111487676B (zh) | 2020-03-31 | 2020-03-31 | 应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010247048.8A CN111487676B (zh) | 2020-03-31 | 2020-03-31 | 应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111487676A true CN111487676A (zh) | 2020-08-04 |
CN111487676B CN111487676B (zh) | 2023-04-11 |
Family
ID=71812543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010247048.8A Active CN111487676B (zh) | 2020-03-31 | 2020-03-31 | 应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111487676B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112666605A (zh) * | 2021-01-19 | 2021-04-16 | 哈尔滨工业大学 | 基于主成分分析和多目标遗传算法挑选地震动的方法 |
CN112836717A (zh) * | 2020-12-02 | 2021-05-25 | 国网重庆市电力公司电力科学研究院 | 一种电力设备金属腐蚀老化程度的辨识方法 |
CN113419271A (zh) * | 2021-05-07 | 2021-09-21 | 中铁二院工程集团有限责任公司 | 一种地震震级预测方法、装置、设备及可读存储介质 |
CN114298104A (zh) * | 2021-12-28 | 2022-04-08 | 中国地震局工程力学研究所 | 地震预警方法、装置、电子设备和计算机可读存储介质 |
CN114578417A (zh) * | 2022-03-09 | 2022-06-03 | 北京工业大学 | 一种基于小波调整的脉冲型地震动拟合方法 |
CN116819621A (zh) * | 2023-08-25 | 2023-09-29 | 山东省地质科学研究院 | 基于全周期mr估计的场地地震安全性评估方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699943A (zh) * | 2013-12-27 | 2014-04-02 | 长春工业大学 | 一种基于ga-psobp算法的地质灾害危险性评价方法 |
CN106980877A (zh) * | 2017-03-15 | 2017-07-25 | 陕西中爆安全网科技有限公司 | 一种基于粒子群算法优化支持向量机的爆破振动预测方法 |
CN107843920A (zh) * | 2017-09-29 | 2018-03-27 | 中国石油化工股份有限公司 | 一种聚类分析优化粒子群储层属性预测方法 |
JP2018087799A (ja) * | 2016-11-29 | 2018-06-07 | 財團法人國家實驗研究院National Applied Research Laboratories | 地盤特性を自動校正する現地型地震早期警報システム及び関連方法 |
CN109615118A (zh) * | 2018-11-23 | 2019-04-12 | 泉州装备制造研究所 | 基于大数据地质灾害防治信息化服务集成控制系统及方法 |
US20200080406A1 (en) * | 2018-09-06 | 2020-03-12 | American University Of Beirut | Black hole particle swarm optimization for optimal well placement in field development planning and methods of use |
-
2020
- 2020-03-31 CN CN202010247048.8A patent/CN111487676B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699943A (zh) * | 2013-12-27 | 2014-04-02 | 长春工业大学 | 一种基于ga-psobp算法的地质灾害危险性评价方法 |
JP2018087799A (ja) * | 2016-11-29 | 2018-06-07 | 財團法人國家實驗研究院National Applied Research Laboratories | 地盤特性を自動校正する現地型地震早期警報システム及び関連方法 |
CN106980877A (zh) * | 2017-03-15 | 2017-07-25 | 陕西中爆安全网科技有限公司 | 一种基于粒子群算法优化支持向量机的爆破振动预测方法 |
CN107843920A (zh) * | 2017-09-29 | 2018-03-27 | 中国石油化工股份有限公司 | 一种聚类分析优化粒子群储层属性预测方法 |
US20200080406A1 (en) * | 2018-09-06 | 2020-03-12 | American University Of Beirut | Black hole particle swarm optimization for optimal well placement in field development planning and methods of use |
CN109615118A (zh) * | 2018-11-23 | 2019-04-12 | 泉州装备制造研究所 | 基于大数据地质灾害防治信息化服务集成控制系统及方法 |
Non-Patent Citations (3)
Title |
---|
ARZHANG ALIMORADI ET AL.: "Machine-Learning Methods for Earthquake Ground Motion Analysis and Simulation", 《JOURNAL OF ENGINEERING MECHANICS》 * |
TING-YU HSU ET AL.: "Rapid on-site peak ground acceleration estimation based on support vector regression and P-wave features in Taiwan", 《SOIL DYNAMICS AND EARTHQUAKE ENGINEERING》 * |
赵奎等: "爆破震动参数的算法比较及工程应用", 《矿业研究与开发》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836717A (zh) * | 2020-12-02 | 2021-05-25 | 国网重庆市电力公司电力科学研究院 | 一种电力设备金属腐蚀老化程度的辨识方法 |
CN112836717B (zh) * | 2020-12-02 | 2023-05-23 | 国网重庆市电力公司电力科学研究院 | 一种电力设备金属腐蚀老化程度的辨识方法 |
CN112666605A (zh) * | 2021-01-19 | 2021-04-16 | 哈尔滨工业大学 | 基于主成分分析和多目标遗传算法挑选地震动的方法 |
CN112666605B (zh) * | 2021-01-19 | 2021-11-26 | 哈尔滨工业大学 | 基于主成分分析和多目标遗传算法挑选地震动的方法 |
CN113419271A (zh) * | 2021-05-07 | 2021-09-21 | 中铁二院工程集团有限责任公司 | 一种地震震级预测方法、装置、设备及可读存储介质 |
CN113419271B (zh) * | 2021-05-07 | 2023-08-29 | 中铁二院工程集团有限责任公司 | 一种地震震级预测方法、装置、设备及可读存储介质 |
CN114298104A (zh) * | 2021-12-28 | 2022-04-08 | 中国地震局工程力学研究所 | 地震预警方法、装置、电子设备和计算机可读存储介质 |
CN114298104B (zh) * | 2021-12-28 | 2022-09-27 | 中国地震局工程力学研究所 | 地震预警方法、装置、电子设备和计算机可读存储介质 |
CN114578417A (zh) * | 2022-03-09 | 2022-06-03 | 北京工业大学 | 一种基于小波调整的脉冲型地震动拟合方法 |
CN114578417B (zh) * | 2022-03-09 | 2022-09-20 | 北京工业大学 | 一种基于小波调整的脉冲型地震动拟合方法 |
CN116819621A (zh) * | 2023-08-25 | 2023-09-29 | 山东省地质科学研究院 | 基于全周期mr估计的场地地震安全性评估方法及系统 |
CN116819621B (zh) * | 2023-08-25 | 2024-01-09 | 山东省地质科学研究院 | 基于全周期mr估计的场地地震安全性评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111487676B (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111487676B (zh) | 应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法 | |
Irikura et al. | Applicability of source scaling relations for crustal earthquakes to estimation of the ground motions of the 2016 Kumamoto earthquake | |
Ktenidou et al. | Understanding single-station ground motion variability and uncertainty (sigma): lessons learnt from EUROSEISTEST | |
CN113009553A (zh) | 基于NGBoost和SHAP值的可解释地震动参数概率密度分布预测方法 | |
Song | Developing a generalized pseudo-dynamic source model of M w 6.5–7.0 to simulate strong ground motions | |
Counillon et al. | Framework for an ocean‐connected supermodel of the earth system | |
Shi et al. | Broadband Ground-Motion Synthesis via Generative Adversarial Neural Operators: Development and Validation | |
Walling et al. | Non-ergodic probabilistic seismic hazard analyses | |
Yang et al. | Novel statistical emulator construction for volcanic ash transport model Ash3d with physically motivated measures | |
Jonko et al. | Effects of land cover change on the tropical circulation in a GCM | |
Raghukanth et al. | Empirical mode decomposition of earthquake accelerograms | |
OrtizBevia et al. | Nonlinear estimation of El Niño impact on the North Atlantic winter | |
Jayaram | Probabilistic seismic lifeline risk assessment using efficient sampling and data reduction techniques | |
Böning et al. | High-resolution modelling of the thermohaline and wind-driven circulation | |
Yazdani et al. | Wavelet-Hilbert transform-based simulation of pulse-like ground motion | |
Zhong | Ground motion simulation validation for building design and response assessment | |
Rood et al. | San Andreas Fault Earthquake Hazard Model Validation Using Probabilistic Analysis of Precariously Balanced Rocks and Bayesian Updating | |
Ramkrishnan et al. | Recent developments in synthesis of earthquake motions using linear joint time frequency analysis techniques | |
Alikhanzadeh et al. | Physics-based probabilistic seismic hazard analysis: the case of Tehran Basin in Iran | |
Adinolfi et al. | TESLA, A Tool for Automatic Earthquake Low‐Frequency Spectral Level Estimation: The Study of 2013 St. Gallen Earthquake Fault‐Plane Solutions | |
JP7487054B2 (ja) | 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 | |
Jayaram et al. | Ground-motion selection for PEER transportation research program | |
Franchin et al. | Validating IM-based methods for probabilistic seismic performance assessment with higher-level non-conditional simulation | |
Vlachos | Stochastic Characterization and Simulation of Ground Motions based on Earthquake Scenarios | |
JP7471924B2 (ja) | 地震動評価モデル生成方法、地震動評価モデル生成装置、地震動評価方法、及び、地震動評価装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |